基于图像的踏面表面缺陷特征分析识别

摘要

随着铁路事业的发展，作为列车行驶重要组成部件的车轮踏面的检测与维护越来越受到重视。目前，以冲击载荷法为主的接触式测量和人工目视法检测是实际应用中的主要手段，而这两种检测方法在实际应用中都存在检测效率、工作效率低下的问题，机器视觉以其无接触、快速、高效、稳定的特点，可以达到目视检测的作用，在无损检测领域得到了广泛应用。本文以列车车轮踏面为研究对象，对其基于机器视觉的踏面表面状况无损检测进行研究。
　　本文在对现有的图像纹理特征提取方法进行分析的基础上，重点研究了统计纹理分析方法和频谱纹理分析方法，提出了一种先利用SVM分类器筛选特征参数，再利用K均值进行分类识别的图像特征提取与识别研究方案。本方案的的关键在于纹理特征矢量的选取，因此，基于现有的机器学习方法，首先分析了监督学习和无监督学习各自的特点，从中选取了监督学习方法中的SVM分类器，提出了一种基于SVM的特征参数筛选算法。接下来根据车轮踏面的纹理特性，分别研究了GLCM、GGCM、Gabor与Haar小波变换等特征提取方法，分析了各个特征参数的实际应用效果，对于物理意义相同或者经PCA分析冗余量大的特征参数，利用差值法或者基于 SVM的特征参数筛选算法进行优化，即可得到既能反映图像灰度、梯度等局部信息，又能反映多尺度频域信息的多维特征矢量。最后分别设计了缺陷合并算法、形态学判定算法和无损踏面初步筛选算法等，将这些算法与K均值聚类算法相结合，最终得到了基于K均值与综合特征矢量的表面状况无损检测算法。
　　依据本文算法，经过对实际车轮踏面擦伤的检测分析，踏面损伤区域检测结果精度高、计算速度快，可以满足实时、准确检测的目的。

目录

声明

注释表

缩略词

第一章 绪论

1.1 研究背景及意义

1.2 国内外发展现状

1.3 本文主要研究内容和工作

第二章 机器学习方法选取与方案设计

2.1 监督学习与无监督学习

2.2 SVM分类器

2.3 K-均值聚类算法

2.4 基于深度学习的半监督学习方法初探

2.5 本章小结

第三章 基于统计纹理特征的图像特征提取

3.1 纹理概述

3.2 基于灰度共生矩阵的纹理特征

3.3 基于灰度-梯度共生矩阵纹理特征

3.4 本章小结

第四章 基于频谱的图像纹理特征提取

4.1 基于GABOR变换的频谱特征

4.2 基于小波分析的频谱特征

4.3 本章小结

第五章 列车车轮踏面表面擦伤检测实验结果与分析

5.1 基于SVM的综合特征筛选与分析

5.2 基于K均值与特征矢量的表面状况无损检测结果与分析

5.3 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

在学期间的研究成果及发表的学术论文